超越预设身份：生成式社会中的代理如何形成立场与边界
人工智能
2026-04-03 v2 计算与语言
人机交互
摘要
虽然大型语言模型能模拟社会行为，但其在复杂干预下的稳定立场形成和身份协商能力尚不清楚。为克服静态评估的局限性，本文提出一种新型混合方法框架，结合计算虚拟人类学与定量社会认知轮廓。通过将人类研究者嵌入生成式多代理社区，进行受控话语干预，以追踪集体认知的演化。为严格衡量代理如何内化并反应这些特定干预，本文形式化了三个新指标：先天价值偏置（IVB）、说服灵敏性和信任-行动解耦（TAD）。在多个代表性模型中，代理表现出内生立场，这些立场会超越预设身份，始终显示出显著的先天进步偏置（IVB > 0）。当立场与之一致时，理性说服成功地将90%的中性代理转向新的立场，同时保持高信任水平。相比之下，冲突性情感挑衅会在高级模型中引发40.0%的TAD率，这些模型在报告低信任的同时却矇裝性地改变了立场。小型模型则恰恰显示出0%的TAD率，严格要求信任才能实现行为转变。进一步地，围绕共享立场，代理利用语言交互主动拆解指定的权力层级，重构自组织的社区边界。这些发现揭示了静态提示工程的脆弱性，为人类-代理混合社会中的动态对齐提供了方法论和量化基础。官方代码可在https://github.com/armihia/CMASE-Endogenous-Stances获取。
引用
@article{arxiv.2603.23406,
title = {Beyond Preset Identities: How Agents Form Stances and Boundaries in Generative Societies},
author = {Hanzhong Zhang and Siyang Song and Jindong Wang},
journal= {arXiv preprint arXiv:2603.23406},
year = {2026}
}
备注
22 pages, 3 figures. arXiv admin note: substantial text overlap with arXiv:2508.17366